吳恩達：天下武功，唯快不破

開場致詞

很高興見到大家。今天我想要做的事情，既然這是創業學校，我想分享一些我在 AI Fund 建立新創公司時學到的經驗。AI Fund 是一個創投工作室，我們平均每個月建立一家新創公司。因為我們共同創辦新創公司，我們會參與寫程式碼、與客戶交談、設計功能、制定定價策略。所以我們不只是看著別人建立新創公司，而是實際深入參與，與創業家一起建立新創公司。

今天我想要分享的是我在建立新創公司時學到的一些經驗，特別是圍繞著不斷變化的 AI 技術及其帶來的可能性。重點將圍繞在速度這個主題。

速度的重要性

對於那些想要建立新創公司的人來說，我認為新創公司成功機率的強烈預測因子是執行速度。我對能夠快速完成事情的創業家和高管非常尊敬，而新的 AI 技術正在讓新創公司能夠移動得更快。

所以我希望分享一些最佳實踐，這些實踐坦白說每兩到三個月仍在變化，讓你獲得那種速度，希望能讓你有更高的成功機率。

AI 技術堆疊與機會

在深入討論速度之前，很多人問我：「嘿，Andrew，新創公司的機會在哪裡？」這是我對 AI 堆疊的看法：

最底層是半導體公司，然後是建立在其上的雲端和超大規模運算商。很多 AI 基礎模型公司建立在其上。儘管很多公關宣傳和炒作都集中在這些技術層面，但事實上，幾乎從定義上來說，最大的機會必須在應用層，因為我們實際上需要應用來產生更多收入，這樣它們才能負擔得起支付基礎、雲端和半導體技術層的費用。

應用層的重要性

出於某種原因，媒體和社交媒體不太談論應用層，但對於那些想要建立新創公司的人來說，幾乎從定義上來說，最大的機會必須在那裡，當然在堆疊的所有層面都有機會。

Agentic AI 的興起 最重要的技術趨勢

過去一年發生了很大變化，就 AI 技術趨勢而言，如果你問我 AI 中最重要的技術趨勢是什麼，我會說是 Agentic AI 的興起。

大約一年半前，當我開始到處演講試圖說服人們 AI Agent 可能是個東西時，我沒有意識到大約去年夏天一些行銷人員會拿到這個詞，並把它當作貼紙貼在所有看得見的東西上，這幾乎讓它失去了一些意義。但我想從技術角度分享為什麼我認為 Agentic AI 令人興奮且重要，也開啟了更多新創公司的機會。

傳統 LLM 的限制

我們很多人使用 LLM 的方式是提示它讓它產生輸出。我們讓 LLM 輸出東西的方式就像你去找一個人或在這種情況下是 AI，要求它從第一個字到最後一個字一次性地為你寫一篇文章，而永遠不使用退格鍵。

人類在被迫以這種線性方式打字時，並不能做出最好的寫作。事實證明 AI 也不行。但儘管被迫以這種線性方式寫作很困難，我們的 LLM 做得令人驚訝地好。

Agentic 工作流程的優勢

使用 Agentic 工作流程，我們可以去 AI 系統並要求它首先寫一個文章大綱，然後如果需要的話做一些網路研究並獲取一些網頁放入它們的上下文中，然後寫第一稿，然後閱讀第一稿並批評它並修訂它等等。

最終我們得到了這個迭代工作流程，你的模型進行一些思考和研究，進行一些修訂，回去做更多思考，通過多次循環。雖然速度更慢，但它提供了更好的工作產品。

Agentic 工作流程的實際應用

在 AI Fund 工作的很多項目中，從解析複雜的合規文本到醫療診斷到推理複雜法律文本的所有事情，我們發現這些 Agentic 工作流程確實是它能工作與不能工作之間的巨大差異。

但需要完成的很多工作，需要建立的很多有價值的業務，仍然是採用現有或新的工作流程，並找出如何將它們實現為這些類型的 Agentic 工作流程。

The AI Stack：哪些有最大的機會？

更新 AI 堆疊的圖片，過去一年出現的是一個新的 Agentic 編排層，它幫助應用建立者編排或協調對底層技術層的大量調用。好消息是編排層使建立應用變得更加容易。但我認為基本結論是應用層必須是堆疊中最有價值的層，這仍然是正確的，並且偏向專注於應用層。

具體想法的重要性

事實證明，在 AI Fund 我們只專注於處理具體想法。對我來說，一個具體想法、一個具體的產品想法是一個詳細到足以讓工程師去建立它的想法。

例如，如果你說「讓我們用 AI 來優化醫療保健資產」，那實際上不是一個具體的想法。它太模糊了。如果你告訴我這是一個使用 AI 優化醫療保健資產的軟體，不同的工程師會做完全不同的事情，因為它不具體，你無法快速建立它，你沒有速度。

具體想法的例子

相反，如果你有一個具體的想法，比如「讓我們寫軟體讓醫院，讓病人在線預約 MR 機器時段以優化使用率」。我不知道這是一個好的還是壞的具體想法。實際上已經有企業在做這件事了。但它是具體的，這意味著工程師可以快速建立它。如果這是一個好想法，你會發現；如果不是一個好想法，你也會發現。但有具體想法為你買來速度。

模糊想法往往會得到很多讚美

對很多創業家來說，欺騙性的是模糊想法往往會得到很多讚美。如果你去告訴所有朋友我們應該用 AI 來優化醫療保健資產的使用，每個人都會說這是一個好想法。但實際上這不是一個好想法，至少在可以建立的東西的意義上不是。

事實證明，當你模糊時，你幾乎總是對的。但當你具體時，你可能對也可能錯。無論哪種方式都很好。我們可以更快地發現這一點，這對新創公司來說是重要的。

專注具體想法的好處

在執行具體想法方面，我發現在 AI Fund，我要求我的團隊專注於具體想法，因為具體想法給出明確方向，團隊可以非常快速地運行來建立它，並驗證它、證明它或證偽它並得出它不起作用的結論。無論哪種方式都很好。所以我們可以快速做到這一點。

找到好的具體想法

事實證明，找到好的具體想法通常需要某人--可能是你--可能是一個主題專家，長時間思考一個問題。例如，在創辦 Coursera 之前，我花了幾年時間思考線上教育，與使用者交談，形成我對什麼能成為一個好的教育技術平台的直覺。

經過那個長期過程--我想 YC 有時稱之為漫遊想法迷宮--但在長時間思考之後，你會發現那些長時間思考過這個問題的人的直覺在快速做決定方面可能非常好。

專家直覺的價值

在你長時間思考、與客戶交談等之後，如果你問這個專家，我應該建立這個功能還是那個功能？你知道，直覺，這是一個瞬間決定，實際上可能是一個令人驚訝地好的代理。它可以是一個令人驚訝地好的決策機制。

我知道我研究 AI，你可能認為我會說，哦，我們需要資料。當然，我喜歡資料，但事實證明，對很多新創公司來說，獲得資料實際上是一個緩慢的決策機制。而一個有良好直覺的主題專家通常是一個更好的快速決策機制。

單一假設的專注

對許多成功的新創公司來說，在任何時候你都在追求一個非常明確的假設，建立並試圖銷售中國熱點的價值。新創公司沒有資源來對沖並同時嘗試 10 件事。所以選擇一個，去做，如果資料告訴你對那個想法失去信心，那實際上完全沒問題。只要迅速轉向去追求一個完全不同的具體想法。

這就是在 AI Fund 經常感覺到的。我們執著地、堅定地追求一件事，直到世界告訴我們我們錯了，然後改變並以同樣的決心和同樣的執著追求一個完全不同的事情。

避免過度轉向

我看到的另一個模式是，如果每一條新資料都導致你轉向，這可能意味著你從一個太弱的知識基礎開始。如果每次你與客戶交談，你完全改變你的想法，這可能意味著你對那個領域還不夠了解，還沒有一個真正高品質的具體想法。找到一個長時間思考過這個主題的人可能會讓你走上更好的道路，以便更快地前進。

建立-回饋循環

AI 寫程式 造成的改變

我經常思考的另一件事是建立-回饋循環，當涉及到我們如何使用 AI 編程輔助建立時，這正在快速變化。

當你建立很多應用時，最大的風險之一是客戶接受度。很多新創公司掙扎的原因不是因為我們無法建立我們想要建立的任何東西，而是因為我們建立了一些東西，結果發現沒有人關心。

軟體開發循環

對於我建立新創公司的很多方式，特別是應用，較少的深度技術，較少的技術新創公司，但絕對是應用新創公司，我們經常建立軟體--這是一個工程任務--然後我們從使用者那裡獲得回饋--這是一個產品管理任務--然後我們會回去，基於使用者回饋，我們會調整我們對要建立什麼的看法，回去寫更多軟體，我們多次循環這個過程，朝著產品市場契合度迭代。

AI 寫程式的影響

事實證明，使用 AI 編程輔助，Andre 也談到了，快速工程正在以以前不可能的方式變得可能，變得更加可行。所以工程的速度正在快速提升，工程的成本也在快速下降。這改變了我們驅動新創公司圍繞這個循環的機制。

軟體開發的兩種類型

快速原型 vs 產品級軟體

當我思考我做的軟體時，我可能會分為兩大類。有時我會建立快速且骯髒的原型來測試一個想法。比如說建立一個新的客服聊天機器人，讓我們建立 AI 來處理法律文本，無論什麼，建立一個快速且骯髒的原型來看看我們是否認為它有效。

我做的另一種軟體是編寫維護生產軟體，維護遺留軟體，但這些大型生產就緒的程式碼庫。根據你信任的分析師報告，很難找到非常嚴格的資料。在編寫生產品質程式碼時，也許我們使用 AI 系統快了 30% 到 50%。很難找到嚴格的數字，也許是合理的。

原型開發的巨大提升

但在建立快速且骯髒的原型方面，我們不是快了 50%，我認為我們很容易快了 10 倍，也許遠超過 10 倍，有幾個原因：

當你建立獨立原型時，與遺留軟體基礎設施、遺留資料需求的整合較少。同時，可靠性、甚至可擴展性、甚至安全性的要求都低得多。

關於不安全程式碼的建議

我知道我不應該告訴人們寫不安全的程式碼，感覺這是錯誤的事情，但我經常去我的團隊說：「去吧，寫不安全的程式碼。」因為如果這個軟體只會在你的筆記型電腦上運行，而你不打算惡意駭客你自己的筆記型電腦，有不安全的程式碼是可以的。但當然，在它似乎運作之後，請在你將它發送給其他人之前使其安全。

泄漏 PI，泄漏敏感資料是非常有害的。所以在你發送它之前，使其安全和可擴展，但當它們只是測試它時，這是可以的。

系統性創新追求

我發現越來越多的新創公司會系統性地透過建立 20 個原型來追求創新，看看什麼有效。因為我知道在 AI 中有一些焦慮，很多概念驗證無法投入生產。但我認為透過將概念驗證的成本推得足夠低，如果大量概念驗證看不到天日，實際上是可以的。

Move Fast and break things

我知道「快速移動並打破東西」的口號得到了壞名聲，因為它打破了東西。一些團隊從中得出的結論是你不應該快速移動，但我認為這是一個錯誤。我傾向於告訴我的團隊快速移動並負責任。我認為實際上有很多方法可以在仍然負責任的同時非常快速地移動。

AI 助手讓開發變得非常快速 

在 AI 助手的進化過程，三四年前以程式碼自動完成 （Auto Complete） 為主，由 GitHub Copilot 普及，然後是新一代的 AI 啟用 IDE，如 Cursor 和 WindSurf，我經常使用 WindSurf 和 Cursor。

然後從大約六七個月前開始，有了這個新一代的高度 Agentic 編程助手，包括使用 o3 進行編程。

Claude Code 很棒。自從 Claude 4 發布以來，它變得--問我幾個月後，我可能會使用不同的東西。

工具發展得非常快，但我認為 Claude Code 是這個新一代的高度 Agentic 編程助手，正在讓開發者生產力持續增長。

工具代際差異的重要性

有趣的是，如果你甚至落後半代或一代，實際上與你使用最新工具相比會產生很大差異。我發現我的團隊現在採取與甚至三到六個月前完全不同的軟體工程方法。

程式碼作為資產的價值變化

一個令人驚訝的事情是，我們習慣於將程式碼視為這個非常有價值的資產，因為它很難建立，但因為軟體工程的成本在下降，程式碼不再像以前那樣是有價值的資產。所以我在一些團隊中，我們在上個月完全重建了程式碼庫三次，因為完全重建程式碼庫不再那麼困難，選擇新的資料架構是可以的，因為這樣做的成本已經大幅下降。

單向門 vs 雙向門決策

你們中的一些人可能聽說過 Jeff Bezos 的雙向門與單向門的術語。雙向門是你可以做出的決定，如果你改變主意，可以相對便宜地回來、逆轉它。而單向門是你做出決定，如果你改變主意，逆轉是非常昂貴或非常困難的。

選擇你的技術堆疊的軟體架構過去是一個單向門。一旦你建立在某個技術堆疊上，你設定了資料庫架構，真的很難改變它。所以那過去是一個單向門。我不想說它完全是一個雙向門，但我發現我的團隊會更經常建立在某個技術堆疊上，一週後，改變想法，讓我們丟掉程式碼庫並在新的技術堆疊上從頭重做。

我不想過度宣傳。我們並不是一直這樣做。重做仍然有成本。但我發現我的團隊經常重新思考什麼是單向門，什麼現在是雙向門，因為軟體工程的成本現在低得多。

賦權每個人建立 AI

學習編程的重要性

可能稍微超出軟體工程範圍，我覺得這實際上是一個賦權每個人建立 AI 的好時機。在過去一年中，一些人建議其他人不要學習編程，理由是 AI 會自動化它。我認為我們回顧時會認為這是有史以來給出的一些最糟糕的職業建議。

因為當更好的工具使軟體工程變得更容易時，更多人應該這樣做，而不是更少。所以當幾十年前世界從打孔卡轉向鍵盤和終端時，這使編程變得更容易。當我們從彙編轉向高級語言如 Cobol 時，實際上那時有人爭論說，現在我們有了 Cobol，我們不再需要程式設計師了，人們實際上寫論文達到這個效果，但當然那是錯誤的。

程式語言使編程變得更容易，更多人學會了編程。文字 IDE、AI 編程助手，隨著編程變得更容易，更多人應該學會編程。

每個人都應該學編程

我有一個有爭議的觀點，我認為實際上是時候讓每個工作角色的每個人都學會編程了，事實上在我的團隊中，我的 CFO、我的人才主管、我的招聘人員、我的前台人員，他們所有人都知道如何編程，我實際上看到他們所有人在所有工作功能中表現得更好，因為他們可以編程。

我認為我可能比趨勢稍微超前一點，可能大多數企業還沒有達到那裡，但在未來我認為我們賦權每個人編程，很多人可以更有生產力。

藝術歷史與程式設計的類比

我想分享一個我學到的經驗，關於為什麼我們應該讓人們學會這樣做。當我在 Coursera 上教授「人人適用的生成式 AI」時，我們需要使用 Midjourney 生成像這樣的背景藝術。

我的一個團隊成員懂藝術史，所以他可以用流派、調色板、藝術靈感來提示 Midjourney，對他生成的圖像有很好的控制。所以我們最終使用了 Tommy 生成的所有圖像。

相比之下，我不懂藝術史。所以當我提示圖像生成時，我可以寫「請為我製作機器人的漂亮圖片」。我永遠無法擁有我的合作者可以擁有的控制力。所以我無法生成像他一樣好的圖像。

與電腦溝通的未來技能

我認為對電腦來說，未來最重要的技能之一是能夠告訴電腦你確切想要什麼的能力，這樣它們就會為你做。那些對電腦有更深理解的人將能夠指揮電腦獲得你想要的結果。學習編程--不是你需要自己寫程式碼，而是引導 AI 為你編程--似乎在很長時間內仍然是做到這一點的最佳方式。

產品管理成為瓶頸，工程速度提升後的新動態

隨著軟體工程變得更快，我看到的另一個有趣的動態是產品管理工：

1. 獲得使用者回饋
2. 決定要建立什麼功能

PM 與工程師比例的變化

一些有趣的趨勢，三四五年前矽谷曾經有這些稍微可疑的經驗法則，

但儘管如此的經驗法則是 1 個 PM 對 4 個工程師或 1 個 PM 對 7 個工程師，

這個 PM（產品經理）對工程師的比例，應該持保留態度，但典型的是 1 個 PM 對六七個工程師。

隨著工程師變得更快，我沒有看到

1. 產品管理工作
2. 設計要建立什麼

以同樣的速度變快，這個比例在轉變。

新的團隊結構：本來是一個 PM 對 4 個工程師，現在是一個 PM 對 0.5 個工程師

就在昨天，我的一個團隊中有一個第一次來找我，當我們為一個項目規劃人員配置時，這個團隊向我提議不是 1 個 PM 對 4 個工程師，而是要有 1 個 PM 對 0.5 個工程師。所以團隊實際上向我提議--我仍然不知道這是否是一個好想法--但我第一次看到經理向我提議擁有兩倍的 PM 比工程師，這是一個非常有趣的動態。

我仍然不知道我聽到的這個提案是否是一個好想法，但我認為這是世界走向的標誌。我發現能夠編程的 PM 或有一些產品直覺的工程師往往最終做得更好。

快速回饋的重要性

對新創公司領導者來說，我發現重要的另一件事是，因為工程進展如此之快，如果你有快速獲得回饋以塑造你對要建立什麼的看法的好策略，這也有助於你更快。

所以我將瀏覽一組策略來獲得產品回饋，以不斷塑造你決定建立什麼。我們將瀏覽一個從更快但可能較不準確到較慢但更準確的策略列表。

回饋獲取策略階梯

最快的獲得回饋的策略是自己看產品，只憑直覺。如果你是主題專家，這實際上令人驚訝地好，如果你知道你在做什麼。

稍微慢一點的是去問三個朋友或團隊成員獲得回饋，讓他們試用你的產品並獲得回饋。稍微再慢一點的是問三到十個陌生人獲得回饋。

與陌生人交談的技巧

事實證明，對於我建立產品時，我認為我學到的最重要的技能之一是如何坐在咖啡店，如何在旅行時坐在酒店大廳。事實證明，學會發現高人流量的地方，非常尊重地抓住陌生人並要求他們對我正在建立的任何東西提供回饋。

這在我不太出名時更容易。當人們認識你時，會有點尷尬。我發現我實際上與團隊坐在酒店大廳，人流量很高，非常尊重地問陌生人「嘿，我們在建立這個東西，你介意看一下嗎？」

在咖啡店我實際上學到了，那裡有很多人在工作，很多人不想工作，所以我們給他們分心的藉口，他們很樂意這樣做。但我實際上在酒店大廳或咖啡店與合作者做出了大量產品決策。

如何更快的獲得產品反饋的方法

發送原型給 100 個測試者，如果你能接觸到邏輯使用者群體，給更多使用者原型，這些會變得越來越慢的策略。我知道在矽谷我們喜歡談論 A/B 測試，當然我做很多 A/B 測試，但與許多人認為的相反，A/B 測試現在是我選單中最慢的策略之一，因為發布它很慢，取決於你有多少使用者。

利用資料改善直覺

除了第一種策略之外，當你使用任何其他策略時，一些團隊會查看資料並做出決定，但遺漏的部分是當我 A/B 測試某些東西時，我不只是使用 A/B 測試的結果來選擇產品 A 或產品 B。我的團隊會經常坐下來仔細查看資料，磨練我們的直覺，加速改善我們能夠使用第一種策略做出高品質決定的速度。

我們經常坐下來思考，哎呀，我以為這個產品名稱會比那個產品名稱效果更好。顯然，我對使用者的心理模型是錯誤的。真正坐下來思考使用所有那些資料來更新我們的心理模型，以改善我們如何更快做出產品決策的直覺品質。事實證明這真的很重要。

理解 AI 讓你更快

AI 知識的競爭優勢

所以談到了具體想法、加速工程、加速產品回饋。我想觸及的最後一件事是我看到理解 AI 實際上讓你更快。作為一個 AI 人，也許我偏向於支持 AI，但我想分享為什麼。

事實證明，當涉及到像行動裝置這樣的成熟技術時，許多人長期擁有智慧型手機。我們有點知道行動應用程式能做什麼。所以許多人，包括非技術人員，對行動應用程式能做什麼有良好的直覺。

如果你看成熟的工作角色，如銷售、行銷、HR、法律，它們都非常重要且非常困難。但有足夠多的行銷人員已經做行銷足夠長的時間，行銷策略在過去一年中沒有那麼大的變化。所以有很多人真正擅長行銷，這非常重要且非常困難，但這些知識相對分散，因為如何做 HR 的知識在過去六個月中沒有戲劇性地改變。

AI 知識的稀缺性

但 AI 是新興技術，所以如何做好 AI 的知識並不廣泛，所以真正理解 AI 的團隊確實比不理解的團隊有優勢。而如果你有 HR 問題，你可以找到知道如何做好的人，但如果是 AI 問題，知道如何實際做到這一點可能會讓你領先其他公司。

技術決策的影響

像客服聊天機器人能獲得什麼準確性？你應該提示、微調還是工作流程？如何獲得低延遲的語音輸出？很多這些決策，如果你做出正確的技術決策，你可以在幾天內解決問題。如果你做出錯誤的技術決策，你可能會追逐三個月的死胡同。

我被驚訝的一件事，事實證明如果你有兩個可能的架構決策，這是一位的資訊。感覺如果你不知道正確答案，最多你會慢兩倍。一位，你知道，都試試。感覺一位資訊最多可以為你買來 2 倍的加速。

我認為在某種理論意義上這是正確的。但我在實踐中看到的是，如果你翻錯位，你不是慢兩倍，你會花 10 倍的時間追逐死胡同。這就是為什麼我認為進入時擁有正確的技術判斷，它真的讓新創公司走得快得多。

新興 AI 工具的機會

我發現保持在 AI 頂端對新創公司真正有幫助的另一個原因是，在過去兩年中，我們有很多很棒的 GenAI 工具或 GenAI 建構塊--部分列表，但提示工作流程、評估、護欄、RAG、語音、行為、非同步程式、大量 ETL、嵌入、微調、圖形資料庫、如何整合模型--有一個很長且很棒的建構塊列表，可以快速組合來建立一年前地球上沒有人能建立的軟體。

這為新創公司建立新事物創造了很多新機會。

建構塊的組合效應

當我學習這些建構塊時，這實際上是我腦中的圖片。如果你擁有一個建構塊，像你有一個基本的白色建構塊，是的，你可以建立一些很酷的東西。也許你知道如何提示，所以你有一個建構塊，你建立一些驚人的東西。

但如果你獲得第二個建構塊，像你也知道如何建立聊天機器人，所以你有一個白色樂高積木和一個黑色樂高積木，你可以建立更有趣的東西。如果你獲得一個藍色建構積木，你可以建立更有趣的東西。獲得幾個紅色建構積木，也許一個小黃色的，更有趣。獲得更多建構積木，獲得更多建構積木，非常快速地，你可以組合它們的事物數量呈組合式或指數式增長。

所以知道所有這些很棒的建構塊讓你以更豐富的組合來組合它們。

DeepLearning.AI 的建構塊教學

DeepLearning.AI 做的事情之一，所以我實際上自己參加很多深度學習課程，因為與我們工作的，我們與我認為幾乎世界上所有領先的 AI 公司都有合作，並試圖傳授建構塊。

但當我看深度學習課程目錄時，這實際上是我看到的。每當我參加這些課程學習這些建構塊時，我感覺我得到了可以組合形成組合式或指數式更多軟體應用的新事物，這些在一兩年前是不可能的。

總結

速度與成功的關係

為了總結，這是我的最後一張幻燈片，然後我想回答問題。我發現有很多事情對新創公司很重要，不只是速度。但當我看 AI Fund 正在建立的新創公司時，我發現管理團隊快速執行的能力與其成功機率高度相關。

獲得速度的要素

我們學到的一些獲得速度的東西是，處理具體想法。這必須是好的具體想法。我發現作為高管，我被根據我決策的速度和品質來評判。兩者都很重要，但速度絕對重要。

使用 AI 編程輔助的快速工程讓你走得更快，但這將瓶頸轉移到獲得產品決策的使用者回饋。所以擁有一組獲得快速回饋的策略。如果你還沒有學會去咖啡店與陌生人交談，這不容易，但只要尊重人們，這實際上是創業家擁有的非常有價值的技能。

我認為保持在技術頂端也為你買來速度。

謝謝大家。

問答環節

問題1：人類在 AI 進步中的角色

問題：隨著 AI 的進步，你認為對人類來說更重要的是開發工具還是學會更好地使用工具？我們如何在AI變得民主化的世界中保持重要性？

回答：我覺得 AGI 被過度炒作，所以在很長時間內，會有很多人類可以做而 AI 無法做的事情。我認為未來最強大的人是那些能讓電腦做你確切想要它做的事情的人。

我認為保持在工具頂端--我們中的一些人會建立工具，但也會有很多其他人建立的工具我們可以使用--所以知道如何使用 AI 讓電腦做你想要它做的事情的人會更強大。我不擔心人們沒有事情可做，但能使用 AI 的人會比不能的人強大得多。

問題2：運算的未來

問題：關於運算的未來，隨著我們向更強大的 AI 發展，你認為運算將何去何從？我們看到人們說讓我們把 GPU 送到太空，有人談論核電資料中心。你怎麼想？

回答：有一個框架你可以用來決定什麼是炒作，什麼不是炒作。在過去兩年中，有少數公司為了宣傳、公關、募資、影響力目的而炒作某些事情。

因為 AI 是如此新，少數公司幾乎可以說任何話而沒有人檢查事實，因為技術不被理解。所以我的心理過濾器之一是有某些炒作敘述讓這些企業看起來更強大，這被放大了。

例如，這個想法是 AI 如此強大，我們可能意外導致人類滅絕。這太荒謬了。但這是一個炒作敘述，讓某些企業看起來更強大，它得到了炒作並實際上幫助了某些企業的募資目標。

「AI 如此強大，很快沒有人會有工作」--這不是真的。但這又讓這些企業看起來更強大。「AI 需要如此多的電力，只有核電才足夠好」--這不是真的。

關於太空中的 GPU，我不知道，去吧。我認為地面 GPU 我們還有很大的發展空間。

問題3：危險的炒作敘述

問題：AI 中有很多炒作，沒有人真正確定我們如何建立未來。但你看到的一些最危險的偏見或過度炒作的敘述是什麼，我們應該避免？

回答：我認為危險 AI 敘述被過度炒作了。AI 是一個很棒的工具，但像任何其他強大的工具如電力一樣，有很多方式可以用於有益目的，也有一些方式可以用於有害目的。

我發現自己不太使用「AI 安全」這個詞。不是因為我認為我們應該建立危險的東西，而是因為我認為安全不是技術的功能，而是我們如何應用它的功能。

安全不是技術的功能，而是我們如何應用它的功能。AI 既不安全也不不安全，是你如何應用它使它安全或不安全。所以我經常思考負責任的 AI，而不是 AI 安全，因為是我們如何負責任地使用它決定了我們用 AI 技術建立的東西最終是有害還是有益的。

問題4：在快速變化世界中的商業策略

問題：作為有抱負的創辦人，我們如何在任何東西都可能在一天內被顛覆的世界中思考商業？你擁有的任何偉大護城河、產品或功能都可以用 AI 程式碼複製？

回答：當你開始事業時，有很多事情要擔心。我擔心的第一件事是你是否在建立使用者喜愛的產品？

事實證明，當你建立事業時，有很多事情要考慮--進入市場管道、競爭對手、技術護城河--所有這些都很重要，但如果我要專注於一件事，那就是你是否在建立使用者真正想要的產品？直到你解決這個問題，很難建立有價值的事業。

解決這個問題後，其他問題確實會起作用。我發現護城河往往被過度炒作。實際上，我發現更多企業往往從產品開始，然後最終演變成護城河。

目前，機會的數量--可能但世界上還沒有人建立的東西的數量--似乎遠大於有技能建立它們的人數。在應用層，感覺有很多空白空間可以建立沒有其他人在工作的新事物。

專注於建立人們想要、人們喜愛的產品，然後沿途解決其餘問題。

問題5：代幣成本與工具整合

問題：關於 AI 工具的累積效應，因為它們經常與意圖分佈上的功能堆疊一致，並伴隨代幣和時間開銷的動態問題，你認為未來可能的 Agent 累積效應的前景如何？

回答：關於代幣成本，我對開發者最常見的建議是第一近似，就是不要擔心代幣成本多少。只有少數新創公司足夠幸運，有使用者大量使用你的產品，以至於代幣成本成為問題。

但實際上很難達到你的代幣使用成本成為問題的地步。對於我們幸運到使用者讓我們的代幣造成問題的團隊，我們經常有工程解決方案，然後透過提示、微調、使用較小模型或其他方式來彎曲曲線並降低成本。

我看到很多實際整合很多不同步驟的 Agentic 工作流程。例如，如果你建立客服聊天機器人，我們經常必須使用提示，也許優化一些結果，建立評估，建立護欄，也許客服聊天機器人在某些地方需要 RAG 來獲取資訊回饋給使用者。

一個提示是，我經常會架構我的軟體，使在不同建構塊提供商之間切換相對容易。我有很多建立在 LLM 之上的產品，但有時你指著特定產品問我我們使用哪個 LLM？我老實說不知道，因為我們建立了評估，當有新模型發布時，我們會快速運行評估看新模型是否比舊模型更好，如果新模型在評估上做得更好，我們就切換到新模型。

問題6：教育中的 AI

問題：在 AI 教育世界中，主要有兩種範式。一種是 AI 可以讓教師更有生產力，另一種是每個學生都有個人導師。你如何看待這兩種範式匯聚？

回答：我認為每個人都感覺教育技術的變化即將到來，但我認為顛覆還沒有到來。我認為很多人在實驗不同的事情。

對於像語言學習這樣的事情，透過 Duolingo 的語音功能，AI 如何轉變它的一些方式已經變得更清楚。對於更廣泛的教育景觀，AI 將如何轉變它的確切方式，我看到很多實驗，但最終狀態仍然不清楚。

我確實認為教育將是超個性化的，但那個工作流程是什麼--是頭像、文字聊天機器人--工作流程是什麼？我覺得幾年前的炒作說 AGI 很快就會到來，一切都會很容易，那是炒作。現實是工作很複雜。教師、學生、人們做非常複雜的工作流程，在接下來的十年中，我們將研究需要完成的工作，並找出如何將其映射到 Agentic 工作流程。

問題7：AI 的社會影響

問題：AI 有很大的潛力做好事，但也有很多潛在的不良後果，如加劇經濟不平等。我們如何在快速移動的同時保持負責任？

回答：在你心中看，如果從根本上你正在建立的東西如果你不認為它會讓一般人過得更好，就不要做。我知道這聽起來簡單，但在當下實際上很難做到。

在 AI Fund，我們出於倫理理由殺死了多個項目，有多個項目我們看經濟案例非常穩固，但我們說，我們不希望這個存在於世界上，我們就基於這個基礎殺死了它。所以我希望更多人會這樣做。

然後我擔心帶每個人與我們同行。我看到的一件事是，不是工程的各種工作角色的人，如果他們懂 AI 比不懂的要有生產力得多。例如在我的行銷團隊，我的行銷人員知道如何編程，坦白說，他們比不會的人跑得快得多。

問題8：AI 教育的普及

問題：隨著 AI 變得更強大和廣泛，人們對 AI 實際能做什麼和人們認為它能做什麼之間似乎有越來越大的差距。教育一般大眾深度學習是否重要？

回答：我認為知識會擴散。DeepLearning.AI 我們想要賦權每個人建立 AI。我認為有兩個危險。一個是如果你不夠快地帶人們與我們同行。

另一個危險是，如果你看行動生態系統，行動電話，實際上不是那麼有趣。原因之一是有兩個守門人，Android 和 iOS。除非他們讓你做某些事情，否則你不被允許在行動裝置上嘗試某些事情。

AI 的這些危險被某些企業用來試圖關閉開源，因為一些企業很樂意成為大規模基礎模型的守門人。所以我認為炒作虛假的 AI 危險以讓監管機構通過像加州提議的 SB 1047 這樣的法律，謝天謝地我們阻止了它，會設置真正繁重的監管要求，不會讓任何人更安全，但會讓團隊發布開源和開放權重軟體變得非常困難。

所以不平等的危險之一是如果這些監管方法成功，最終給我們留下少數守門人，每個人都需要少數公司的許可來微調模型或以某種方式提示，這將扼殺創新並防止這些資訊的擴散。

結語

謝謝大家，很精彩。